Reconocimiento de patrones de flujo bifásico gas/líquido denso mediante redes neuronales convolucionales y aprendizaje por transferencia.

Abstract

La identificación precisa de los patrones de flujo bifásico de gas denso y líquido es esencial en los sistemas de transporte de fluidos por tuberías y en las operaciones de los pozos petrolíferos. Sin embargo, los métodos convencionales para clasificar estos patrones se basan principalmente en la observación visual directa y en sensores instalados en el sistema. Este estudio presenta un enfoque innovador para el reconocimiento de patrones de flujo, basado en algoritmos de redes neuronales convolucionales (CNN) modificadas y en el aprendizaje por transferencia basado en técnicas de regularización, con el fin de lograr una identificación automática y objetiva de los patrones en flujos de gas denso/líquido. Los experimentos se llevaron a cabo en la Plataforma Experimental de Flujo Multifásico del Laboratorio de Flujo Multifásico Industrial (LEMI). Se identificaron seis patrones de flujo en tuberías horizontales, lo que generó una base de datos de 67 710 imágenes, que se dividen en tres categorías: el 60 % se utiliza para el entrenamiento del modelo, el 20 % para la validación y el 20 % restante para la evaluación del modelo. El modelo propuesto se evaluó en dieciocho arquitecturas de redes neuronales convolucionales modificadas y en seis conjuntos de prueba. Los resultados computacionales mostraron que el modelo propuesto fue capaz de identificar correctamente los patrones de flujo bifásico con una precisión de 1,0 con las arquitecturas MobileNet, InceptionV3 e InceptionResNetV2, en el cuarto conjunto de prueba, destacando en rendimiento entre los seis conjuntos evaluados sin presentar señales de sobreajuste. Por el contrario, los modelos ResNet50, ResNet152V2, MobileNetV3Small, MobileNetV3Large, ResNet101V2, InceptionV4, AlexNet y Linet5 no lograron alcanzar una precisión superior a 0,2, obteniendo los resultados más bajos en los conjuntos de entrenamiento.